Ваше многомерное хранилище данных содержит множество идей, скрытых внутри него, как драгоценные камни, спрятанные в шахте.

Анализ этих данных требует обнаружения и исследования аномалий, которые открывают возможности для улучшения.

Типы инсайтов:

Существует 3 основных типа инсайтов (аномалий), которые можно обнаружить:

I) Изолированные самородки

Изолированные самородки — это небольшие возможности для улучшения, которые даже лучшие бизнес-подразделения могут оптимизировать. По нашему опыту, изолированные самородки составляют более 50% аномалий.

Например, в определенном магазине время ожидания покупателя может быть на 10 % выше, чем в других магазинах. Эта локализованная информация представляет собой изолированный самородок — она указывает на возможность улучшить работу этого конкретного магазина.

II) Очаги аномалий

Очаги аномалий существуют в регионе, подгруппе или отделе, но пока не оказывают видимого воздействия на консолидированном корпоративном уровне. Эти очаги остаются в подполье, и их не видно в консолидированной отчетности высокого уровня.

Например, розничная сеть может обнаружить очаг аномалий, когда несколько магазинов в данном регионе имеют показатели продаж и удовлетворенности клиентов ниже среднего. Хотя эти региональные данные еще не заметны в общих показателях компаний, они могут предотвратить рост проблем.

III) Вертикальные вены

Вертикальные вены простираются вплоть до консолидированного корпоративного уровня, что видно через «выступающую голову» в общекорпоративной отчетности. Эти жилы загрязняют всю иерархическую родословную до самого верха из-за:

- Огромная локализованная аномалия, статистически затрагивающая все его подразделение.

- Многие братья и сестры/сверстники заразились одной и той же проблемой в разных подразделениях, что указывает на эпидемию.

К тому времени, когда вертикальные вены загрязняют консолидированные цифры, часто бывает уже слишком поздно для быстрого вмешательства. Повреждения уже достигли поверхности.

Отличительные черты эффективного майнинга Insight

Поскольку ИИ обнаруживает слишком много аномалий, необходим алгоритм суперприоритизации, объединяющий такие понятия, как срочность, важность и действенность.

Выбор правильного уровня анализа также имеет ключевое значение:

Как можно более подробно («Консолидация скрывает понимание»)

Не слишком детальный, поэтому сохраняется возможность сравнения за несколько лет и с аналогами. Абсолютных показателей не существует, есть только Сравнения:

- Со временем:

Против прошлого

Против будущего (заложено в бюджете)

- В равноправном пространстве:

По сравнению с другими подразделениями

По сравнению с прямыми конкурентами

Встречайте InsightAct, революционный инструмент бизнес-аналитики

InsightAct поможет вам найти ценную информацию и действовать на ее основе.

Во-первых, автоматическое обнаружение информации использует ИИ для тщательного анализа больших данных, собирая ценные фрагменты, которые часто упускаются традиционными инструментами бизнес-аналитики.

Далее Lean Reporting представляет аналитическую информацию в одностраничном формате, ранжированную и объясненную eXplainable AI. В качестве бонуса InsightAct помогает выявить коренные причины и наметить планы действий.

InsightAct не просто автоматизирует BI-анализ — он обеспечивает конкурентное преимущество благодаря аналитике на основе данных.



https://www.anodot.com/blog/what-is-anomaly-detection/

https://www.linkedin.com/advice/0/how-do-you-scale-maintain-data-warehouse-your-grows-skills-dbms

https://www.dell.com/en-us/blog/proactively-discover-anomalies-with-data-protection-advisor/

https://www.geeksforgeeks.org/concept-hierarchy-in-data-mining/

https://www.anodot.com/blog/quick-guide-различные-типы-outliers/

https://blog.panoply.io/use-cases-of-a-data-warehouse

https://hevodata.com/learn/anomaly-detection-in-data-mining/

https://pubmed.ncbi.nlm.nih.gov/30566020/

https://arxiv.org/pdf/2107.01615.pdf

https://www.nagarro.com/en/blog/indicators-for-adopting/enhancing-business-intelligence-data-warehouse-solutions

https://cloud.google.com/architecture/partners/forseti-firewall-rules-anomalies

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6400474/

https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1

https://www.lightsondata.com/3-ideas-data-warehouse-lifecycle-quality-process/

https://youtube.com/watch?v=8X5oiyFfDnk

https://link.springer.com/article/10.1007/s41060-021-00265-1

https://www.techtarget.com/searchdatamanagement/definition/data-silo

https://whatagraph.com/blog/articles/data-warehouse-challenge

https://roboticsbiz.com/data-anomaly-detection-complexities-and-challenges/

https://www.integrate.io/blog/active-data-warehouses-vs-traditional/

https://insidebigdata.com/2016/02/08/4-strategies-for-finding-and-interpreting-data-anomalies/

https://www.analyticsvidhya.com/blog/2021/04/dealing-with-anomalies-in-the-data/

https://www.analytics8.com/blog/what-is-a-data-warehouse/

https://www.toptal.com/database/data-warehouse-data-quality-process

https://www.inetsoft.com/info/types-of-multidimension-data/